面部表情在人类进行非语言交流时,承担着十分重要的角色,是一个很常见的情感表达方式。面部表情识别可以在不同场合有应用场景,这里的面部表情泛指宏表情,即动作幅度较大,区域特征明显的表情。宏表情的识别在目前研究技术的支持下已经达到较为理想的效果,但存在的干扰因素如图像分辨率、光照影响、面部图像遮挡等是表情识别领域中共同存在的问题。表情的范畴较为广泛,通常肉眼可以进行清晰识别的如‘喜怒哀乐’情绪的面部表情,称为宏表情,也是我们一般所指的表情。微表情的特征体现在不同的方面,如动作时间、动作幅度和不可抑制的自发性等。其动作时间持续只有1/25～1/5s,而动作的变化幅度十分微弱,因此也成为表情识别领域中一项重大挑战。微表情常应用于立案侦查、医疗健康、社会治安等领域,有着极大的应用研究价值。传统的机器学习方法,通常会使用手工进行模型定义、特征提取、分类器建立,往往工作较为繁琐。随着深度学习技术的成熟发展,微表情领域中亦可进行此项研究。本文的主要研究方向如下:（1）针对微表情数据集及预处理工作进行研究,分析了微表情数据库建立的难点和现有的数据集对比。对微表情数据预处理工作进行介绍,在CASME2数据集和SMIC数据集中进行数据扩充工作。（2）提出一种基于ResNet50-LSTM的微表情识别方法进行实验。使用50层的残差网络结构进行数据中空间特征的提取工作,利用更深的网络层数提取出数据的有效特征。针对微表情中相邻帧间信息存在关联的现象,时序网络部分设计长短期记忆单元进行特征学习,处理了微表情识别过程中在时域中的难题。通过二者结合,极大的保证了提取出特征的有效性,较传统的方法,在识别准确率上有了一定提升。